x(t)=∑
Transkrypt
x(t)=∑
Rozkład sygnału na mody empiryczne (Empirical Mode Decomposition – EMD) Co to jest EMD? Metoda przetwarzania sygnałów nieustalonych i sygnałów wytwarzanych w nieliniowych procesach. Polega na rozkładzie sygnału na mody empiryczne - funkcje IMF (Intrinstic Mode Functions). Za Huang'iem [1]: IMF to funkcja, która spełnia dwa warunki: (1) dla całego zbioru danych, ilość ekstremów i ilość miejsc zerowych muszą się sobie równać (lub różnić o nie więcej niż 1). (2) dla każdego punktu, wartość średnia z obwiedni zdefiniowanej przez lokalne maksima i obwiedni zdefiniowanej przez lokalne minima jest równa zero. Podstawowe części EMD: • interpolacja (za pomocą funkcji sklejanych) • proces odsiewania (sifting process) by wyodrębnić i zidentyfikować mody empiryczne (IMF). • numeryczne kryteria zbieżności (głównie by zatrzymać proces interacyjny identyfikacji każdego modu, jak również całego zbioru modów) Algorytm: 0. d0 = x(t) - podstawowy przebieg sygnału, importowany z pliku 1. Znajdujemy wszystkie maksima 2. Interpolujemy je funkcjami sklejanymi, uzyskując U(t) - górną obwiednię sygnału 3. Znajdujemy wszystkie minima 4. Interpolujemy je funkcjami sklejanymi, uzyskując L(t) – dolną obwiednię sygnału U t L t 5. Liczymy średnią mt = 2 d 1 t =d 0 t−mt - proces odsiewania. 6. 7. Powtarzać kroki 1-6 na reszcie dx, tak długo, aż pewny dk może zostać uznany za IMF: c1(t)= dk(t) 8. Powtarzać kroki 1-7 na reszcie r n t= x t−c n t by uzyskać wszystkie mody c1(t),.., cN(t) sygnału. Proces zostaje zakończony gdy reszta jest stała, monotoniczna, albo gdy ma tylko jedno ekstremum. Matematyczne przedstawienie sygnału rozłożonego za pomocą EMD: N x t =∑ c n t r N t , cn(t) – zbiór IMF, rN(t) – reszta n=1 Kryteria zakończenia: Proces odsiewania kończymy gdy zakres średniej m(t) jest mniejszy niż 1‰ (0.001) of ci (danego IMFu). Iterację kończymy kiedy reszta r(t) jest 10% lub mniejsza niż d(t). Polecam: [1] N.E. Huang, Z. Shen, S.R. Long, M. L.Wu, H.H. Shih, Q. Zheng, N.C. Yen, C.C. Tung, and H.H. Liu, "The Empirical Mode Decomposition and the Hilbert Spectrum for Nonlinear and Non - Stationary Time Series Analysis," Proc. R. Soc. Lond A, vol. 454, no. 1971, pp. 903-995, March. 1998. [2] G. Rilling, P. Flandrin, and P. Gonçalves, “On Empirical Mode Decomposition and its algorithms,” presented at the IEEE-EURASIP Workshop Nonlinear Signal Image Processing (NSIP), Grado, Italy, Jun. 8–11, 2003. http://perso.ens-lyon.fr/patrick.flandrin/emd.ppt [3] Empirical Mode Decomposition: A useful technique for neuroscience? Review of Huang et al, Proc. R. Soc. Lond. A (1998) v. 454, 903-995 By Robert Liu Computational Journal Club January 11, 2002 [4] Empirical Mode Decomposition based technique applied in experimental biosignals, Alexandros Karagianni (presentation)